提出了一种新颖的算法，用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习，该方法可以被视为核神经网络，并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出，该方法的模型参数数量和测试时间评估复杂度均为 O (dD)，其中 D 是输入特征的维度，d 是投影空间的维数，在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。

Sep, 2015

本文提出了一种新颖的框架，其中功能聚合和哈希同时设计并联合优化，目的是生成更具区分度的二进制哈希码从而提高图像的检索精度。同时，我们还提出了一个快速版本的二进制自编码器用于我们的提出的框架中。在多个基准数据集上进行的广泛检索实验表明，所提出的框架显著改善了最先进技术水平。

Apr, 2017

本文提出了一种创新的表征学习方法，其中的 Stochastic Attraction and Repulsion Embedding 损失函数通过最小化 KL 散度，最大化相似的内部表征并最小化不同场所之间表征的相似度，得到更高的定位鉴别力，进一步提高了标准基准上的定位性能。

Aug, 2018

本文介绍了一种用于训练多标签、大规模多类别图像分类模型的方法，通过将高维稀疏标签嵌入到具有单位范数的低维密集球体上，并将分类问题视为该球体上余弦相似度回归问题，其比基于逻辑回归的 sigmoid 交叉熵损失函数的监督方法更快更准确，经过在 300 million 高分辨率图像和 17,000 标签的数据集上测试，相对于逻辑回归，该方法收敛速度明显提高，平均精度也提高了 7%。

Jul, 2016

该研究旨在基于自然语言查询进行视频检索，并采用嵌入模型进行检索任务的训练，试图通过图像搜索以及嵌入模型的应用使 fine-grained 视觉概念得到消歧，最终在视频和句子检索任务中实现了明显的改进，并取得了与当前最先进技术相媲美的描述生成性能。

Aug, 2016

本文提出了利用约束稀疏编码来近似存储大规模向量数据库，并实现高效检索的方法，可以在保证码本量的情况下，索引如 BIGANN 等大规模数据集，实现了学习 / 编码时间、索引大小、搜索质量等多种因素的平衡。

Aug, 2016

本研究介绍了一种显式嵌入方法，将流形搜索转化为欧氏距离搜索，并且利用近似傅里叶基础加速在线搜索，从而提高了特定对象的检索精度和效率。

Mar, 2017

利用平滑核积分变换的思想，我们提出了一种功能深度神经网络，其具有高效和完全依赖数据的降维方法。我们的功能网络的架构包括核嵌入步骤、投影步骤和表达深度 ReLU 神经网络，利用平滑核嵌入使其具有离散不变性、高效性和对噪声观测的鲁棒性，能够利用输入函数和响应数据的信息，对离散点数量的要求较低，具有良好的泛化性能。我们进行了理论分析和数值模拟来验证我们功能网络的这些优势。

Jan, 2024

提出了两种方法来解决局部特征点干扰问题，即通过在聚合阶段包含一组描述符权重来平等地处理每个本地描述符的个体贡献，并在标准公共图像检索基准测试中进行实验证明对于短向量或中向量的图像搜索，这两种方法都比对象方法表现更好。

Nov, 2016

本论文提出了一种通过多个词汇库的联合降维方法构建短向量（128D）图像表示来进行大规模图像和特定物体检索的技术，研究了多种词汇库生成技术并证明了不同词汇库的组合可以显著提高检索性能。

Apr, 2015